Нов AI инструмент TORCH успешно идентифицира причините за рак в неизвестни първични случаи

Нов AI инструмент TORCH успешно идентифицира причините за рак в неизвестни първични случаи

В скорошно проучване, публикувано в Nature Medicine, изследователите разработиха подход за задълбочено обучение за диференциране на произхода на тумора, използвайки цитологична хистология (TORCH), която открива злокачествено заболяване и прогнозира произхода на тумора при хидроторакс и асцит, използвайки цитологични изображения от 57 220 пациенти.

фон

Раковите заболявания с неизвестна първична локализация (CUP) са злокачествени заболявания, които се диагностицират хистопатологично като метастази, но чийто произход не може да бъде определен с помощта на конвенционални диагностични методи.

Тези заболявания често се проявяват като серозни изливи и имат лоша прогноза въпреки комбинираната химиотерапия. Имунохистохимията прогнозира най-вероятния произход на CUP; Изследователите обаче могат да открият някои случаи с помощта на имунооцветяващи коктейли. Точната идентификация на първичните локализации е от решаващо значение за успешната и адаптирана терапия.

Относно изследването

В настоящото проучване изследователите представят TORCH, алгоритъм за дълбоко обучение за идентифициране на развитието на рак въз основа на цитологични изображения на асцит и хидроторакс.

Изследователите обучиха модела, използвайки четири независими дълбоки невронни мрежи, които бяха комбинирани, за да създадат 12 различни модела. Използвайки цитологични изображения, изследователите се опитаха да разработят базиран на изкуствен интелект диагностичен модел за прогнозиране на развитието на тумор при хора със злокачествени заболявания и метастази в асцит или хидроторакс.

Те тестваха и потвърдиха работата на AI системата, използвайки екземпляри от цитологични тампони от множество независими набори от тестове.

От юни 2010 г. до октомври 2023 г. изследователите събраха данни от 90 572 цитологични изображения от 76 183 пациенти с рак в четири големи институции (Първа болница на университета Джънджоу, Институт и болница за ракови заболявания на Медицинския университет в Тиендзин, болница Янтай Юхуангдинг и Първа болница на университета Суджоу) като част от тяхното обучение. данни.

Респираторните заболявания представляват най-висок процент (30%, 17 058 пациенти) от злокачествените групи.

Карциномите представляват 57% от случаите на асцит и хидроторакс, като аденокарциномите са най-честата група (47%, 27 006 пациенти). Само 0,6% от плоскоклетъчните карциноми метастазират в асцит или плеврален излив (n=346).

За да тестват обобщаемостта и надеждността на TORCH, изследователите са включили 4520 последователни пациенти от болницата за ракови заболявания в Тиендзин (наборът от данни Tianjin-P) и 12 467 от болницата в Янтай (наборът от данни в Янтай).

Те избраха произволно 496 цитологични изображения от три вътрешни тестови комплекта, за да проучат дали TORCH може да помогне на младите патолози да подобрят представянето си.

Те сравняват представянето на младшите патолози с помощта на TORCH с предишни резултати от ръчна интерпретация както за младши, така и за старши патолози.

Изследователите са използвали топлинни карти на вниманието, за да интерпретират AI модел за откриване на рак в 42 682 цитологични изображения на цитонамазка от пациенти в три големи третични болници за насочване. Моделът беше оценен в сценарии от реалния свят с помощта на външни набори от тестови данни, включващи 495 снимки.

Целта на изследването е да се подобрят диагностичните умения на младите патолози с помощта на TORCH. Тестването за аблация оценява ползите от включването на клинични характеристики при прогнозиране на произхода на тумора и изследва връзката между клиничните фактори и цитологичните изображения.

Резултати

Моделът TORCH, нова техника за предсказване на произхода на тумора при диагностика и локализация на рак, беше оценен на различни набори от данни.

Резултатите показаха, че TORCH има обща микро-усреднена стойност на една спрямо зона на почивка под кривата (AUROC) от 0,97, с точност на топ 1 от 83% и точност на топ 3 от 99%. Това подобри ефективността на прогнозиране на TORCH в сравнение с патолозите и особено увеличи диагностичните резултати на младите патолози.

Пациентите с рак с неизвестен произход, чийто първоначален подход на лечение е в съответствие с произхода, оценен от TORCH, са имали по-висок процент на обща преживяемост от тези, които са получили противоречива терапия. Моделът показа сравнително надеждно обобщение и съвместимост.

В комбинация с пет тестови комплекта, TORCH постигна точност на топ 1 от 83%, точност на топ 2 от 96% и точност на топ 3 от 99%. Имаше и подобни микро-осреднени AUROC резултати един срещу почивка в групите с ниска и висока сигурност.

Проучването включва 391 пациенти с рак, от които 276 са конкордантни и 115 са дискордантни. След периода на проследяване 42% от пациентите са починали, от които 37% са конкордантни пациенти и 53% са дискордантни пациенти. Анализът на преживяемостта разкри, че конкордантните пациенти имат значително по-висока обща преживяемост от дискордантните.

Лошата подготовка на цитонамазката и проблеми с качеството на изображението, като изрязани гънки, замърсяване или прекомерно оцветяване, могат да доведат до свръхдиагностика на рак на панкреаса чрез изкуствен интелект. Изследователите могат да се справят с тези недостатъци чрез внимателна ръчна обработка през цялата стъпка на преглед на данните.

В случай на рак на дебелото черво слузта зае по-голямата част от областта на изображението, което може да е накарало AI модела да пренебрегне този критичен аспект в диагнозата.

Диплома

Въз основа на резултатите от проучването моделът TORCH, инструмент с изкуствен интелект, показа обещание в клиничната практика за предсказване на произхода на първичната система на злокачествените клетки при хидроторакс и асцит.

Може да прави разлика между злокачествени тумори и доброкачествени заболявания, да локализира източниците на рак и да помага при вземането на клинични решения при пациенти с рак с неизвестен произход. Моделът се представи добре в пет серии тестове и надмина четирима патолози.

Може да помогне на онколозите при избора на терапия за неидентифицирани лица с CUP, предимно аденокарцином, лекувани с широкоспектърни емпирични схеми на химиотерапия.

източници: